oracle函数pile2,Pileup 格式详细说明

转自：

Pileup 格式最初是由Sanger Institute的Tony Cox 和 Zemin Ning 使用的，描述了染色体上每个位置的碱基信息。 可以用来 SNP/indel calling, 也可以直接用眼睛看一下排列的情况。

Pileup 文件一般是由SAMtools从sorted bam 文件生成。

samtools mpileup -f ../crrbwaidx/crr5ref.fa  -Q 15 -q 20 4_S4_L001.sorted.bam -o 4_S4_L001.pileup

mpileup 就是SAMtools生成pileup文件的命令(SAMtools 文档):

-f 后面是参考序列或者基因组

-q 是mapping quality的最小值, 默认值是0

-Q 是base quality的最小值，默认值是13

然后是输入文件*.sorted.bam, -o 后面是输出文件*.pileup

pileup 格式有几个变体，下面的是由SAMtools输出的默认格式：

每一行由染色体，参考碱基在染色体中的位置(reference position)，参考碱基(reference base)，覆盖该位点的reads的个数，覆盖该位点的碱基(read bases) 和碱基质量(base qualities)，之间由tab分开。

在read base那一列，每个点(dot)代表这个碱基正向匹配到reference base, 每个逗号代表该碱基反向匹配到reference base. 如果是‘ACGTN’，说明这个碱基是个正向的mismatch，如果是‘actgn', 说明这个碱基是个反向的mismatch。这个样式 '\+ or - [0-9]+[ACGTNacgtn]+'是在这个reference position和下一个reference position之间的插入(insertion)或缺失(deletion)突变。加号代表插入，减号代表缺失，数字是插入或缺失的长度，数字后面的’ACGTN or acgtn'就是插入或缺失的碱基。下面第一行是一个插入的例子，第二行是两个缺失的例子(有五个reads都出现了两个的缺失)：

在read base那一列，‘^'是每条reads的开始，’^'后面跟的符号" ' "的ASCII十进制值减去33就是这条reads的mapping quality. '$'是每条reads的结束。如下：

reads开始和结束的标志是受到了Phil Green's CALF format 的启发。通过开始和结束的标志可以从pileup文件重建reads.

SAMtools 可以选择性的把mapping quality加到输出结果的每一行，这样会使输出的文件更大，但当只有一部分位点被提取出来时，这样做就有必要了(因为只提取一部分位点，开始的标志'^'就可能不会被包含着提取的位点，就没法知道每个reads base的mapping quality了.)。